[论文解读] A Physics-Informed Machine Learning Model for Porosity Analysis in Laser Powder Bed Fusion Additive Manufacturing

Rui Liu, Sen Liu+1 more|arXiv (Cornell University)|Jan 13, 2021

Additive Manufacturing Materials and Processes参考文献 45被引用 4

一句话总结

该论文提出了一种物理信息机器学习（PIM）模型，将激光粉末床熔融（LPBF）设备设置转化为物理效应（如激光能量密度和辐射压力），而非依赖于设备特定的参数。通过使用这些与设备无关的物理效应来预测孔隙率水平（分类为通过、警告或失败），该模型在六种学习方法中实现了10%至26%的预测误差，展示了在Concept Laser M2系统上对Inconel 718零件进行孔隙率控制时的泛化能力和改进的可解释性。

ABSTRACT

To control part quality, it is critical to analyze pore generation mechanisms, laying theoretical foundation for future porosity control. Current porosity analysis models use machine setting parameters, such as laser angle and part pose. However, these setting-based models are machine dependent, hence they often do not transfer to analysis of porosity for a different machine. To address the first problem, a physics-informed, data-driven model (PIM), which instead of directly using machine setting parameters to predict porosity levels of printed parts, it first interprets machine settings into physical effects, such as laser energy density and laser radiation pressure. Then, these physical, machine independent effects are used to predict porosity levels according to pass, flag, fail categories instead of focusing on quantitative pore size prediction. With six learning methods evaluation, PIM proved to achieve good performances with prediction error of 10$\sim$26%. Finally, pore-encouraging influence and pore-suppressing influence were analyzed for quality analysis.

研究动机与目标

• 克服现有激光粉末床熔融（LPBF）增材制造中孔隙率预测模型在设备特定性方面的局限性。
• 开发一种数据驱动模型，将设备设置解释为底层物理效应（如激光能量密度和辐射压力）。
• 使用这些基于物理的输入而非直接的设备参数来预测孔隙率水平，从而提高模型的可迁移性。
• 识别抑制或促进孔隙形成的物理效应范围，以实现可操作的过程优化。
• 在不同LPBF系统（包括Concept Laser M2和ProX DMP 320A）上验证模型的性能和泛化能力。

提出的方法

• 通过基于物理的变换，将设备特定的设置（如激光功率、扫描速度）映射为物理效应（如激光能量密度和辐射压力）。
• 使用最小-最大归一化对物理效应进行标准化，并提供实际数值范围以增强可解释性。
• 评估六种机器学习算法（如随机森林、高斯过程）在预测三种类别（通过、警告、失败）孔隙率结果中的表现。
• 该模型采用分类框架而非定量孔径大小预测，聚焦于质量保证阈值。
• 通过物理效应与孔隙度指标（如最大孔径）之间的相关性图，识别出促进孔隙形成和抑制孔隙形成的物理效应区域。
• 在双激光Concept Laser M2系统上制造的Inconel 718零件上验证该方法，并通过物理效应等价性将结果推广至其他设备。

实验结果

研究问题

• RQ1 将设备设置转化为物理效应是否能提高孔隙率预测模型在不同LPBF系统间的泛化能力？
• RQ2 哪些物理效应范围对应于LPBF工艺中孔隙形成的抑制或增强？
• RQ3 与基于传统设备参数的模型相比，物理信息机器学习模型在孔隙率分类中的性能如何？
• RQ4 该模型在多大程度上能够识别出可解释、可操作的过程参数区域以最小化孔隙率？
• RQ5 该模型能否扩展至其他具有不同硬件配置的LPBF设备（如ProX DMP 320A或EOS M290）？

主要发现

• 该物理信息机器学习模型在六种学习方法中实现了10%至26%的预测误差，展示了在将孔隙率水平分类为通过、警告或失败时的强劲性能。
• 该模型识别出孔隙生成主要由低至平均激光功率强度（低于AVE 0.58×10⁵ W/mm²）、高能量方差（SDEV > 0.4×10¹ W/mm²）以及过宽的最大-最小能量范围（超出MIN [0.6, 1.00]×10⁵ W/mm²）所驱动。
• 最大孔径的典型孔隙抑制区域估计为：AVE[0.58×10⁵, 1.00×10⁵]、SDEV[0.00×10¹, 0.40×10¹]、MIN[0.60×10⁵, 1.00×10⁵] 和 MAX[0.60×10⁵, 1.00×10⁵] W/mm²，表明存在最优能量分布范围。
• 该模型使用与设备无关的物理效应，使其具备向其他LPBF系统（如Concept Laser M/M3、EOS M270/280/290以及ProX DMP 300/320）迁移的潜力。
• 该方法为孔隙形成机制提供了可解释的物理解释，识别出可抑制孔隙形成的特定效应范围，可指导反向工艺参数设计。
• 未来工作将扩展模型以包含更多物理效应（如温度、吸收率），并在ProX DMP 320A和EOS M290等多样化设备上验证其性能，以确认其泛化能力。